Analyse de données textuelles informatisée. Comment la pensée complexe et l’approche relationnelle peuvent nourrir quelques considérations méthodologiques
Notice bibliographique
Résumé
Cet article explore deux préoccupations méthodologiques liées à la méta-analyse de données textuelles : 1) le danger de la « décontextualisation » des idées comme conséquence d’une quantification des données textuelles; et 2) le principe selon lequel il importe de déterminer le cadre historique et l’origine du document avant de procéder à l’analyse. Pour ce faire, nous nous appuyons sur le traitement de 11 020 articles de périodiques parus au Canada et en France en 2005 effectué par le logiciel SPAD. Nous concluons que ce logiciel répond bien à la première préoccupation. SPAD produit des analyses de facteurs des données lexicales tout en offrant au chercheur la possibilité de retourner au texte et de vérifier le « sens » des mots. Toutefois, notre étude de cas montre aussi comment un échantillon de cette taille rend difficile la prise en considération a priori du cadre historique et de l’origine du document. Pour montrer comment il est possible de réaliser des méta-analyses en dépit de cette difficulté, nous nous référons à des principes proposés par les études relationnelles et par la systémique complexe.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,102 | 0,239 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,027 | 0,026 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,024 | 0,022 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».